Uji Instrumen Analisis Data

UNIVARIAT
BIVARIAT UJI T ANOVA CHI SQUARE KORELASI
MULTIVARIAT REG. LINIER GANDA REG. LOGISTIK GANDA

ANALISIS DATA KESEHATAN

STIKES BUDI LUHUR CIMAHI

 UJI STATISTIK
VARIABEL I VARIABEL II JENIS UJI STATISTIK

KATEGORIK KATEGORIK KAI KUADRAT (CHI SQUARE)

FISHER EXACT

KATEGORIK NUMERIK UJI T

ANOVA

NUMERIK NUMERIK KORELASI

REGRESI
BIVARIABLE ANALYSIS
PRODUCT MOMENT CORELATION
AND PARTIAL REGRESSION

STIKES BUDI LUHUR CIMAHI

PENDAHULUAN (Korelasi)
Kita sering kali ingin mengukur hubungan antara dua variabel atau
lebih, misalkan kita ingin mengetahui :

1. Apakah ayah yang mempunyai tinggi di atas rata-rata juga akan

mempunyai anak yang mempunyai tinggi di atas rata-rata teman
sebayanya?
2. Apakah ada hubungan pemberian motivasi terhadap prestasi
akademik anak di sekolah?
3. Apakah ada hubungan antara usia kendaraan dengan harga jualnya
di pasaran?

Analisis korelasi berusaha mengukur eratnya hubungan antara dua

variabel atau lebih dengan tipe hub. NUMERIK dengan NUMERIK.
Nilai keeratan hubungan itu dinyatakan dengan suatu bilangan yang
disebut koefisien korelasi1
Pengertian
Korelasi adalah istilah statistik yang menyatakan
derajat hubungan linier (searah bukan timbal
balik) antara dua variabel atau lebih.2
Macam-macam Teknik Korelasi
1. Product Moment Pearson
2. Ratio
3. Korelasi phi
4. Tetrachoric
5. Rank Spearman
6. Point Serial
7. Biserial
8. Koefisien kontingensi
9. Kendall’s Tau
SPESIFIK KEGUNAAN
UNTUK MENGETAHUI DERAJAT HUBUNGAN
ANTARA VARIABEL BEBAS (Independent)
DENGAN VARIABEL TERIKAT (Dependent)
TEKNIK ANALISIS
• Korelasi PPM termasuk teknik statistik
parametrik yang menggunakan data interval dan
ratio dengan persyaratan mutlak, diantaranya :
1. Data dipilih secara random
2. Data berdistribusi normal
3. Data yang dihubungkan berpola Linier
4. Data yang dihubungkan mempunyai pasangan
yang sama sesuai dengan subjek yang sama.
5. Data memiliki 1 atau lebih variabel
Rumus Koefisien Korelasi
KETENTUAN
 Korelasi PPM dilambangkan (r) dengan
ketentuan nilai r tidak lebih dari harga berkisar
antara -1 sampai dengan +1 (-1 ≤ r≤ +1).
 r = -1 korelasi negatif sempurna
 r = 0 tidak ada korelasi linier
 r = +1 korelasi positif sempurna
Proses Uji Hipotesis Koefisien Korelasi
1. Tentukan Hipotesis
H1 : ρ = 0
H0 : ρ ≠ 0
1. Gunakan uji statistik t (sampel kecil)
2. Tentukan taraf signifikansi 0,05 atau 0,01
3. Tent. Nilai kritis (tbl. t)
4. Kriteria penolakan H0 (ditolak apabila t hitung
=…, diterima apabila t hitung =…..)
5. Hitung hrg t dengan rumus dibawah
Interpretasi Koefisien Korelasi Nilai
r/kekuatan hubungan var X&Y
Interval Tingkat
Koefisien Hubungan
0,76 - 1,00 Sangat Kuat
0,51 – 0,75 Kuat Kuat
0,26 – 0,50 Sedang
0,00 – 0,25 Lemah
Dikutip dari : colton
Tabel Korelasi
Nilai r Jenis korelasi X Y
r lebih kecil dari Korelasi negatif ↑ ↓
nol ↓ ↑
(r < 0)
r lebih besar dari Korelasi positif ↑ ↑
nol ↓ ↓
(r > 0)

r lebih sama Tidak berkolerasi - -

dengan nol
(r >=0)
Kontribusi variabel dan Uji Signifikasi
KP = r2 x 100% (besar kecilnya sumbangan variabel X thd Y)
Dimana :
KP = Nilai Koefisien Determinan
r = Nilai Koefisien Korelasi

.
Dimana :
Thitung = Nilai t
r = Nilai Koefisien Korelasi
n = Jml Sample
• Gambar di bawah ini menjelaskan jenis korelasi antara X
dan Y, pada gambar (a) korelasi positif, (b) korelasi
negatif dan (c) tidak berkorelasi.
 Tidak Berkolerasi
90
80
70
60
50
40 X
30
20
10
0
0 20 40 60 80
 HUBUNGAN UMUR DENGAN KADAR
ASAM URAT PASIEN
Umur (X) 60 70 75 65 70 60 80 75 85 90 70 85
Tekanan 450 475 450 470 475 455 475 470 485 480 475 480
Darah(Y)

• Pertanyaan :
1. Berapakah besar hubungan umur dengan
kadar asam urat pasien?
2. Berapa besar sumbangan (kontribusi) umur
terhadap kadar asam urat pasien?
3. Buktikan apakah ada hubungan yg signifikan
umur dengan kadar asam urat pasien?
Langkah-langkah
1. Buat Ha dan Ho dalam bentuk kalimat :
Ha : ada hubungan yang signifikan umur
dengan kadar asam urat pasien
Ho : tidak ada hubungan yang signifikan umur
dengan kadar asam urat pasien
2. Buat Ha dan Ho dalam bentuk statistik :
Ha : r ≠ 0
Ho : r = 0
APLIKASI SPSS
• Gunakan data “BBLR1.SAV”
• Hubungan antara berat badan Ibu (BBIBU1)
dengan tekanan darah (SISTOLE1)
• Korelasi Langkah 1
1. Uji Kenormalan data 2 variabel tersebut dengan
estimasi interval melalui analisis eksplorasi
2. Analyze > Descriptive > Explore
Perbandingkanlah nilai skewness dan standar
error (dibagi) kedua variabel tersebut, apabila
hasilnya kurang dari 2 maka distribusi NORMAL,
dan dapat disimpulkan menggunakan Uji
Parametrik.
• Langkah 2
1. Analyze > Correlate > Bivariat
2. Sorot variabel (BBIBU1) dan (SISTOLE1), lalu
masukan ke kotak kanan “Variables”
3. OK
HASIL ANALISA
• Tampilan berupa matrik antara variabel yang di
korelasi
• Ada tiga baris informasi yang disediakan
1. Nilai Korelasi (r) > pierson corelation
2. Nilai P value > sig (2-tailed)
3. N (jumlah data)
4. r=0,233/p=0,002
KESIMPULAN KORELASI
• HUBUNGAN BERAT BADAN IBU DENGAN
TEKANAN DARAH SISTOLE MENUNJUKAN
HUBUNGAN YANG LEMAH DAN BERPOLA
POSITIF
• ARTINYA SEMAKIN BERTAMBAH BERAT
BADAN IBU MAKA SEMAKIN TINGGI TEKANAN
DARAHNYA
• HASIL UJI STATISTIK TERDAPAT HUBUNGAN
YANG SIGNIFIKAN ANTARA BERAT BADAN IBU
DENGAN TEKANAN DARAH SISTOLE (p=0,002)
Referensi
Suhyanto, Korelasi Product Moment, 2009.
Wijayanto, ANALISIS KORELASI PRODUCT
MOMENT PEARSON, 2008.
Noname, TEKNIK ANALISIS DATA, Noyear
Fajar, Statistika untuk Praktisi Kesehatan, Graha
Ilmu; 2009
Sumartiningsih, Belajar Mudah SPSS untuk
Penelitian Kesehatan, Dewa Ruchi;2007
PENDAHULUAN REGRESI
Dalam kehidupan sehari-hari kita sering melihat
suatu peristiwa atau keadaan yang terjadi akibat
peristiwa yang lain.
Untuk mengetahui hubungan antara kejadian
tersebut, terutama untuk menelusuri pola
hubungan yang modelnya belum diketahui maka
analisis regresi dapat dijadikan alat untuk
membantu menganalisis hubungan tersebut.
• Analisis regresi memiliki 3 kegunaan yaitu
deskripsi, kendali, dan prediksi (peramalan).
• Manfaat utama dari kebanyakan penyelidikan
statistik adalah mengadakan prediksi atau
peramalan
• Peramalan adalah suatu proses memperkirakan
secara sistematis tentang apa yang paling mungkin
terjadi di masa yang akan datang berdasarkan
informasi masa lalu dan sekarang yang dimiliki agar
kesalahannya dapat diperkecil.
• Dalam analisis regresi dikenal dua macam
variabel atau peubah
• Variabel bebas X (independent variabel)
adalah suatu variabel yang nilainya telah
diketahui.
• Variabel terikat Y (dependent variabel).
adalah variabel yang nilainya belum diketahui
dan yang akan diramalkan.
PERBEDAAN KORELASI DAN REGRESI
• Regresi sederhana dapat dianalisis karena
didasari oleh hub. fungsional atau hub. Sebab
akibat (kausal) var. X dan Y
• Kedua analisis ini mempunyai hubungan yang
sangat kuat dan erat
• Setiap analisis regresi otomatis ada analisis
korelasi
• Setiap analisis korelasi belum tentu diuji regresi
• Karena kedua variabelnya tidak mempunyai
hub. Fungsional dan sebab akibat
CATATAN

 Nilai R² : 0 - 1 / 0% - 100%

 Semakin besar nilai R² maka semakin

baik/semakin tepat variabel Independen

memprediksi variabel Dependen

Rumus Pers. Regresi

• Dimana
• = subjek var. terikat yg diproyeksikan
• X = var. bebas yg punya nilai tertentu u/ diprediksi
• a = Nilai konstanta hrg Y jika X = 0
• b = Nilai arah sebagai penentu ramalan (prediksi) yg
menunjukan nilai peningkatan (+) atau penurunan (–)
var. Y (slope/gradien)
APLIKASI SPSS
Sebuah penelitian ingin menganalisis hubungan
antara berat badan ibu sebelum melahirkan dengan
tekanan darahnya

Pertanyaanya :
 Tentukan Nilai koefisien determinasi dan variasi
var Y terhadap X ?
 Tentukan nilai p, dan simpulkan nilai hubunganya
 Tentukan nilai konstanta dan nilai b
 Hasil point 3 diatas masukan dalam bentuk
persamaan regresi (rumus)
 Tentukan estimasi standar error nya
Gunakan data “BBLR1.SAV”

 Analyze > Regression > Linier

 Kotak ‘dependent’ isikan var. yang diperlalukan
sebagai var. terikat (SISTOL1)
 Kotak ‘independent’ isikan var. bebas (BBIBU1)
 OK
ANALISIS HASIL INPUT

Dalam menganalisis ada kajian yang harus

diperhatikan, diantaranya :

 Koefisien determinasi
(tbl. MODEL SUMMARY > R square)
 Persamaan garis (tbl. ANOVA)
 P value (tbl. COEFFICIENT TEST)
 Persamaan
garis regresi

korelasi

Signifikansi
Model
persamaan
regresi
• R square = 0.054 pers. Grs reg. yg diperoleh
dapat menerangkan 5,4% pers. garis yang
diperoleh kurang baik u/ menjelaskan var. tek.
Darah

• ANOVA dengan nilai p = 0.002, dengan alpha

5% (tabel r prod. Moment), reg. sederhana cocok
(fit) dengan data yg ada.

• Pers. Grs reg. dapat dilihat di ‘coefficient’ yaitu

kolom B (constanta 112,100 dan B=0,216)
• Tek. Darah sistole = 112,100 + 0,216 (Berat Badan
Ibu)
• Pers. Garisnya : Y = 112,100+0,216.X

• Dengan pers. Tsb, tekanan darah sistole dpt

diperkirakan jk kita tahu nilai berat badan ibu

• Uji statistik u/ koef. Regresi dpt dilihat pd kolom Sig

T dengan nilai p=0.002 dengan alpha 5% dan
menolak hipotesis 0

• Berarti ada hub. Linier antara berat badan ibu

dengan tekanan darah sistole ibu.

• Nilai b=0,216 berarti var. tek. Darah sistole akan

bertambah sebesar 0,216 mmHg bila berat badan
ibu bertambah setiap 1 kilogram
 Penyajian dan Interpretasi Data
Variabel r R2 Persamaan P Value
Garis
Berat Badan 0,233 0,054 TD=112,100+ 0.002
Ibu 0,216*BBIBU

Hub. BBIBU dengan tekanan darah sistole menunjukan hub. Yang lemah
(r=0,233) dan berpola positif artinya semakin bertambah berat badan ibu, semakin
tinggi tekanan darahnya.
Nilai koefisien dengan determinasi 0,054 artinya, pers. Garis regresi yg diperoleh
dapat menerangkan 5,5% var. tekanan darah ibu atau pers. Garis yg diperoleh
Kurang baik u/ memprediksi var. tek. Darah sistole. Uji statistik ada hub. Yg
signifikan antara berat badan ibu dengan tekanan darah sistole (0,002)
 PREDIKSI VARIABEL
DEPENDENINDEPENDEN

• Misal ingin mengetahui tek.darah ibu jika

diketahui beratnya 70kg, maka
• Tek.darah sistole = 112,100+0,216(Berat badan
ibu)
• Tek.darah sistole = 112,100+0,216*70
• Tek.darah sistole = 127,22
• Prediksi regresi tidak dapat menghasilkan angka
yang tepat, namun perkiraannya tergantung dari
nilai estimasi standar error yg besarnya 5,059
(kotak model summary)
Referensi
1. Surjadi, P.A., Pendahuluan Teori Kemungkinan
dan Statistika: 191.
2. Sumartiningsih, Belajar Mudah SPSS
untuk Penelitian Kesehatan, Dewa
Ruchi;2007
3. Fajar, Statistika untuk Praktisi
Kesehatan, Graha Ilmu; 2009
 UJI T

STIKES BUDI LUHUR CIMAHI

PENDAHULUAN
Perbedaan parameter dua populasi

Misalnya :
Perbedaan tekanan darah penduduk orang kota
dengan orang desa
Perbedaan berat badan antara sebelum dan
sesudah mengikuti program diet
Kelompok Data
• Independen
Data kelompok yang satu tidak tergantung dari
kelompok kedua

• Dependen/berpasangan
Data kelompok saling mempunyai ketergantungan
Karakteristik Uji Beda Dua Mean
1. Uji beda dua mean Independen
Tujuan :
Mengetahui perbedaan mean antara dua
kelompok data independen

2. Uji beda dua mean Dependen

Tujuan :
Menguji perbedaan mean antara dua
kelompok data yang dependen
Syarat Uji Beda Dua Mean

1. Data berdistribusi normal/simetris

2. Kedua kelompok data independen
3. Variabel yang dihubungkan berbentuk numerik
dan katagorik
Prinsip Uji Dua Mean
1. Melihat perbedaan variasi kedua kelompok
data
2. Perlu informasi apakah varian kedua
kelompok yang diuji sama atau tidak
3. Bentuk varian kedua kelompok data akan
berpengaruh pada nilai standar error yang
akan membedakan rumus pengujiannya
CASE UJI T INDEPENDEN
Hubungan perilaku merokok dengan berat badan

Apakah ada perbedaan berat badan antara ibu

yang merokok dengan ibu yang tidak merokok
pada saat hamil ??
 Var. Numerik/Dependen

Var. Kategorik/Independen
 TIDAK
MEROKOK

MEROKOK
 PENYAJIAN DAN INTERPRETASI
PENELITIAN
MEROKOK MEAN SD SE P VALUE N
YES MEROKOK 52.56 5.888 0.662 79
0.190
NO MEROKOK 53.50 5.362 0.534 101

Rata-rata berat badan ibu yang merokok pada saat hamil adalah 52.56 dengan
standar deviasi 5.888, sedangkan untuk berat badan ibu yang tidak merokok
pada saat hamil rata-rata berat badannya adalah 53.50 dengan standar deviasi
5.362. Hasil uji statistik didapatkan nilai p=0,190, berarti pada alpha 5% terlihat
tidak ada perbedaan yang signifikan rata-rata berat badan ibu pada saat
hamil antara yang merokok dengan yang tidak merokok.
CASE UJI T DEPENDEN

Paired/Related/pasangan
Digunakan pada analisis data penelitian
eksperimen
INGAT!! “disebut kedua sampel bersifat dependen
jika kedua kelompok sampel yg dibandingkan
mempunyai subjek yang sama”
• Uji beda rata-rata tek. darah antara tek. darah
pengukuran pertama dengan tek. darah
pengukuran kedua.
• Ingin mengetahui apakah ada perbedaan tek.
darah antara pengukuran pertama dengan tek.
darah pengukuran kedua.
• Sampel dependen karena orangnya sama dan
diukur 2x
 PENYAJIAN DAN INTERPRETASI
PENELITIAN

Tek. Darah MEAN SD SE P VALUE N

PENGUKURAN I 123.55 5.187 0.387 180
0.000
PENGUKURAN II 116.18 4.796 0.357 180

Rata-rata tek. darah ibu saat hamil pada pengukuran pertama adalah 123.55 mmhg dengan
standar deviasi 5.187 mmhg, pada pengukuran kedua didapat rata-rata tek. darah ibu saat
setelah melahirkan adalah 116.18 mmhg dengan standar deviasi
4.796. Terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 7.367
Dengan standar deviasi 6.599. Hasil uji statistik didapatkan nilai 0.000 maka dapat disimpulkan
Ada perbedaan yang signifikan antara pengukuran tek. Darah pertama dan kedua
Weakness

• Uji berulang kali sesuai kombinasi yang

mungkin
• Berpengaruh akan meningkatkan (inflasi) nilai α
atau akan meningkatkan peluang hasil yang
salah
• Perubahan inflasi α sebesar = 1 – (1-α)n
KAI KUADRAT/CHI SQUARE

STIKES BUDI LUHUR CIMAHI

.
PENDAHULUAN CHI SQUARE
• Data tidak dinyatakan dalam bentuk angka
pengukuran (numerik)
• Data yang diperoleh hasil dari menghitung
jumlah pengamatan yang diklasifikasikan
(kategori/kualitatif)
• Analisis hubungan var. Kategorik vs Kategorik
• Misal :pekerjaan dgn prilaku menyusui,
menyusui ekslusif antara ibu bekerja dan tdk
bekerja
TUJUAN
• Menguji perbedaan proporsi/persentase antara
beberapa kelompok data
• Contoh pertanyaan : apakah ada perbedaan
kejadian hipertensi antara pria dan wanita.
Kasus ii berarti akan menguji hubungan variabel
hipertensi (kategori : ya dan tidak) dengan var.
Jenis kelamin (kategori : wanita dan pria)
PRINSIP
• Membandingkan frekuensi yang terjadi (Observasi)
dengan frekuensi harapan (Ekspekstasi)
• Bila nilai frekuensi sama maka tidak ada perbedaan
yang bermakna (signifikan)
• Bila nilai frekuensi observasi dan nilai frekuensi
harapan beda, maka ada perbedaan yang bermakna
(signifikan)
• Sangat baik untuk tabel dgn derajat kebebasan (df)
yang besar
• Apabila tabel 2x2 gunakan uji kai kuadrat yang sdh
dikoreksi (Yate Corrected)
WEAKNESS
Menuntut frekuensi harapan/ekspektasi (E) dalam masing2 sel
tidak boleh terlalu kecil karena jika kecil maka kurang tepat
dalam uji ini.
1. Tdk boleh ada sel yang mempunyai nilai (E) <1
2. Tdk boleh ada sel yang mempunyai nilai (E) <5, lebih dari
20% dari jumlah sel
3. Bila terjadi pada hal di atas, maka peneliti harus
menggabungkan kategori yang berdekatan untuk
memperbesar frekuensi harapan (selain tbl. 2x2)
4. Jika tabel 2x2 gunakan “Fisher’s Exact”
ODDS RATIO & RESIKO RELATIF

Chi Square hanya menyimpulkan ada tidaknya

perbedaan proporsi antar kelompok atau ada/tidaknya
hubungan dua variabel kategorik

TETAPI TIDAK DAPAT MENJELASKAN

DERAJAT HUBUNGAN
TIDAK DAPAT MENGETAHUI KELOMPOK
MANA YANG MEMILIKI RESIKO LEBIH
BESAR
DERAJAT HUBUNGAN
RR
Membandingkan resiko pada kelompok
terekspose dengan kelompok tidak terekspose
OR
Membandingkan Odds pada kelompok terekspose
dengan Odss pada kelompok tidak terekspose

RR = desain Cohort
OR = Deseani Case Control dan Cross Sectional
PENGKODEAN OR DAN RR
Dalam pengkodean OR dan RR harus konsisten
antara variabel independen dan dependen
Var. Independen
Kelompok yg beresiko/expose diberi kode tinggi
(kode 1) dan kode rendah (kode 0) untuk
kelompok tdk beresiko/non expose
Var. Dependen
Kelompok kasus yang menjadi fokus penelitian
diberi kode tinggi (kode1) dan kode rendah
(kode 0) kasus yg bukan menjadi fokus
penelitian
CASE CHI SQUARE

Suatu penelitian ingin mengetahui hubungan

MEROKOK dengan riwayat PREMATUR.

 Var. Merokok berisi dua nilai yaitu tidak

merokok dan merokok
Var. PREMATUR berisi dua nilai yaitu
Tidak Pernah, 1x, 2x, >2x
Independen

Dependen
Lihat Footnote dibawah
tabel Chi-Square test,
apabila tertulis nilai 0
cell (0%) berarti pada
tabel silang diatas
tidak ditemukan ada
nilai E<5
PERATURAN YANG BERLAKU PD UJI CHI
SQUARE
1. Bila pada tabel 2x2 ada nilai E<5, maka yang
digunakan Fisher’s Exact Test
2. Bila pd tabel 2x2 tdk ada nilai E<5, maka yang
digunakan Continuity Correction
3. Bila tabelnya lebih dari 2x2, misal 2x3, 3x3 dst,
maka yang digunakan uji Pearson Chi Square
4. Uji Likelihood Ratio dan Linier By Linier
Assciation, digunakan untuk keperluan spesifik,
misal : analisis stratifikasi pd epidemiologi (jarang
digunakan)
• Maka Uji Chi-Square yang dilakukan pada
contoh di atas adalah Continuity Correction
• Perhatikan kolom Asymp. Sig, terlihat p
valuenya = 0.003
• Kesimpulan ada perbedaan proporsi kejadian
BBLR antara ibu yang merokok dengan ibu yang
tidak merokok
• Ada hubungan yang signifikan antara kebiasaan
merokok dengan kejadian BBLR
BESAR KEKUATAN HUBUNGAN
• OR = CROSS SECTIONAL & CASE CONTROL
• RR = KOHORT
• Pada kasus di atas terlihat nilai Odds Ratio
2.608 (95% CI : 1.421-4.787)
• Pada kasus di atas terlihat nilai Relative Risk
1.541 (95% CI : 1.54-2.058)
• KESIMPULAN : ibu yang merokok mempunyai
peluang 2,6 kali bayinya mengalami BBLR
dibanding ibu yang tdk merokok
PENYAJIAN DAN INTERPRETASI
KONDISI BAYI N
TDK BBLR BBLR
MEROKOK TIDAK 67 (66,3%) 34 (33,7%) 101 (100%)
SELAMA YA 34 (43,0%) 45 (57,0%) 79 (100%)
HAMIL

Dari hasil penelitian terlihat pada tabel 2x2 bahwa ibu yang merokok selama
hamil dengan kondisi bayi BBLR sebanyak 45 orang atau 57%, sedangkan ibu
yang tidak merokok dengan kondisi bayi tidak BBLR adalah sebanyak 67
orang atau 66,3%. Dari pengujian statistik didapatkan tidak ada nilai E<5,
maka dapat disimpulkan menggunakan uji chi square Continuity
Correction dengan nilai P value = 0,003 berarti pada alpha 5% dapat
disimpulkan ada perbedaan proporsi dan hubungan yang signifikan antara
kejadian BBLR antara ibu merokok dan yang tidak merokok, dengan derajat
hubungan nilai OR = 2,608 berarti ibu yang merokok mempunyai peluang 2,6
kali bayinya mengalami BBLR dibanding ibu yang merokok
Referensi
• Hastono, Basic Data Analysis for Health
Research Training, FKM UI 2007
• Sumartiningsih, Belajar Mudah SPSS untuk
Penelitian Kesehatan, Dewa Ruchi;2007
RANK SPEARMAN
• Mengukur derajat keeratan suatu hubungan
antar urutan jenjang suatu hasil pengamatan
suatu variabel dengan urutan jenjang hasil
pengamatan pada variabel lain
• Pada pengujian data pada kedua variabel paling
rendah berskala ordinal atau semi kuantitatif
• Data bisa digunakan pada kuantitatif atau
interval/rasio